[论文解读] Setting Lower Bounds on Truthfulness

Ahuva Mu’alem, Michael Schapira|arXiv (Cornell University)|Jul 30, 2015

Auction Theory and Applications参考文献 50被引用 7

一句话总结

本文提出了一种通用技术，用于证明在 truthful 多维机制设计中近似不可行性的下界，展示了在非相关机器调度问题中，普遍 truthful 随机机制的紧下界为 $2 - \frac{1}{n}$。此外，还为贝叶斯激励相容的确定性机制建立了 $1.2$ 的下界，并将该框架扩展至 Max-Min、Min-Max 和嫉妒最小化等公平性概念，首次在随机化和非效用型设置中提供了此类下界。

ABSTRACT

We present and discuss general techniques for proving inapproximability results for truthful mechanisms. We make use of these techniques to prove lower bounds on the approximability of several non-utilitarian multi-parameter problems. In particular, we demonstrate the strength of our techniques by exhibiting a lower bound of $2-\frac{1}{m}$ for the scheduling problem with unrelated machines (formulated as a mechanism design problem in the seminal paper of Nisan and Ronen on Algorithmic Mechanism Design). Our lower bound applies to truthful randomized mechanisms (disregarding any computational assumptions on the running time of these mechanisms). Moreover, it holds even for the weaker notion of truthfulness for randomized mechanisms -- i.e., truthfulness in expectation. This lower bound nearly matches the known $\frac{7}{4}$ (randomized) truthful upper bound for the case of two machines (a non-truthful FPTAS exists). No lower bound for truthful randomized mechanisms in multi-parameter settings was previously known. We show an application of our techniques to the workload-minimization problem in networks. We prove our lower bounds for this problem in the inter-domain routing setting presented by Feigenbaum, Papadimitriou, Sami, and Shenker. Finally, we discuss several notions of non-utilitarian "fairness" (Max-Min fairness, Min-Max fairness, and envy minimization). We show how our techniques can be used to prove lower bounds for these notions.

研究动机与目标

• 为解决在多维、非效用型设置中，特别是涉及随机性时，truthful 机制缺乏不可近似性结果的问题。
• 开发一种通用的、计算无关的技术，用于证明 truthful 机制近似比的下界。
• 将该框架扩展至基于公平性的社会选择函数，如 Max-Min、Min-Max 和嫉妒最小化。
• 通过建立非效用型设置中 truthful 随机机制的首个已知下界，填补文献中的空白。

提出的方法

• 作者提出一种基于弱单调性和策略性估值扰动的新型分析技术，以推导下界。
• 将该技术应用于非相关机器调度问题，证明任何普遍 truthful 随机机制都无法实现优于 $2 - \frac{1}{n}$ 的近似。
• 对于贝叶斯机制设计，构建使 truthful 机制表现不佳的估值配置，从而为确定性机制得出 $1.2$ 的下界。
• 通过建模引发嫉妒或不平衡的估值，将该方法扩展至公平性目标，然后应用扰动论证推导下界。
• 将该框架应用于域间路由中的工作负载最小化问题，证明在期望 truthful 和普遍 truthful 设置下均存在下界。
• 该方法依赖于反证法：假设存在更好的近似将导致违反弱单调性或 truthful 约束。

实验结果

研究问题

• RQ1 在非相关机器调度问题中，普遍 truthful 随机机制所能实现的最佳近似比是多少？
• RQ2 是否可以在多维设置中为贝叶斯激励相容的确定性机制建立不可近似性下界？
• RQ3 所提出的技术如何扩展至非效用型社会选择函数，如 Max-Min 公平性和嫉妒最小化？
• RQ4 是否可以在不假设多项式时间计算的前提下，为随机机制证明下界，即使在随机设置中？
• RQ5 对于 Min-Max 和嫉妒最小化等基于公平性的目标，truthful 近似的极限是什么？

主要发现

• 在非相关机器调度问题中，为普遍 truthful 随机机制建立了 $2 - \frac{1}{n}$ 的下界，该下界是紧的，且无需计算假设。
• 对于贝叶斯激励相容的确定性机制，证明了 $1.2$ 的下界，这是该设置中的首个此类下界。
• 该技术可应用于域间路由中的工作负载最小化问题，证明在期望 truthful 和普遍 truthful 模型下存在类似的不可近似性结果。
• 对于 Min-Max 公平性，一个 truthful 确定性 VCG 基机制可实现 $n$-近似，且该界是紧的。
• 对于嫉妒最小化，没有任何 truthful 确定性机制可实现优于 $\alpha$ 的近似比，其中 $\alpha$ 为最大边际效用，该结论通过估值扰动和弱单调性违反得以证明。
• 本文表明，即使在随机设置中，truthful 机制也无法为非效用型目标实现近似最优的近似比，凸显了 truthful 机制设计中的固有局限性。